Uncertainty-aware Semantic Mapping in Off-road Environments with Dempster-Shafer Theory of Evidence

要約

ベイジアン カーネル推論 (BKI) を使用したセマンティック マッピングは、ローカルの空間情報を効果的に活用することで、環境をより深く理解できるようになると期待されています。
しかし、既存の方法は、信頼性の低いセマンティック予測が原因で、知覚的に困難な環境で正確なセマンティック マップや信頼性の高い不確実性マップを構築する際に課題に直面しています。
この問題に対処するために、我々は、証拠深層学習 (EDL) とデンプスターの組み合わせ規則を採用することで、デンプスター・シェーファー証拠理論 (DST) の証拠推論をマッピング パイプライン全体に統合する、証拠意味論的マッピング フレームワークを提案します。
さらに、拡張信念は、マッピングプロセス中の不確実性に基づいて局所的な空間情報を組み込むように考案されています。
さまざまなオフロード データセットにわたる包括的な実験により、私たちのフレームワークが不確実性マップの信頼性を強化し、知覚の不確実性が高いシーンで既存の手法を常に上回り、同時に最もパフォーマンスの高いセマンティック マッピング手法に匹敵するセマンティック精度を示すことが実証されました。

要約(オリジナル)

Semantic mapping with Bayesian Kernel Inference (BKI) has shown promise in providing a richer understanding of environments by effectively leveraging local spatial information. However, existing methods face challenges in constructing accurate semantic maps or reliable uncertainty maps in perceptually challenging environments due to unreliable semantic predictions. To address this issue, we propose an evidential semantic mapping framework, which integrates the evidential reasoning of Dempster-Shafer Theory of Evidence (DST) into the entire mapping pipeline by adopting Evidential Deep Learning (EDL) and Dempster’s rule of combination. Additionally, the extended belief is devised to incorporate local spatial information based on their uncertainty during the mapping process. Comprehensive experiments across various off-road datasets demonstrate that our framework enhances the reliability of uncertainty maps, consistently outperforming existing methods in scenes with high perceptual uncertainties while showing semantic accuracy comparable to the best-performing semantic mapping techniques.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google